基于改进海鸥优化算法的可见光室内定位研究

为提高室内定位精度,提出了一种基于黄金正弦与Sigmoid连续化海鸥优化算法(GSCSOA)的接收信号强度(Received Signal Strength Indication,RSSI)可见光室内定位技术。传统的海鸥优化算法(SOA)收敛速度慢、寻优精度低,在海鸥搜寻过程中引入Sigmoid函数使算法在后期快速收敛,在海鸥扑食过程中加入黄金正弦机制能提高算法的寻优能力。在6 m×6 m×3 m的房间顶板上按3×3的网格状布设9盏LED灯,经过实验表明:利用传统的RSSI定位估计算法得到的定位精度为1.28 m,改进的海鸥优化算法结合RSSI的定位算法得到的定位精度为7.17 cm。显然,改进后的室内定位算法精度更高,可应用于大部分的室内定位场所。

基于改进海鸥优化算法的履带式拉挤机牵引装置控制研究

履带式拉挤机拉挤速度波动影响牵引装置的稳定运行,对管材质量也会造成影响。为了满足恒定拉挤速度的控制要求,以履带式拉挤机牵引装置的驱动系统为研究对象。首先,建立驱动系统数学模型,画出传递函数方块图,并提出随机权重的改进海鸥优化算法控制策略;然后,在MATLAB/Simulink软件中搭建驱动系统仿真模型,并对其在不同工况下的稳定性进行仿真,仿真结果表明,采用随机权重的改进海鸥优化算法后,驱动系统响应速度快、控制精度高,更能满足恒定拉挤速度的控制要求;最后在履带式拉挤成型试验平台进行试验验证,结果表明,仿真拉挤速度与试验拉挤速度的变化趋势基本一致,验证了仿真结果的正确性。

改进海鸥优化算法在光伏系统MPPT中的应用

针对光伏阵列处于阴影状况下功率电压(P-U)特性曲线的非线性、多极值特点以及传统最大功率跟踪算法无法取得良好效果的问题,提出了一种改进海鸥优化算法的最大功率跟踪方法。该方法对海鸥优化算法的附加控制因子进行改进,提出非线性搜索控制应用到最大功率点跟踪(MPPT)中;并将混沌序列引入算法,增加种群位置的多样性,以此来克服过早收敛的缺陷,增强算法在全局搜索与跳出局部搜索的能力。建立仿真模型,在不同环境下与SOA、PSO进行对比,结果表明该算法可实现复杂环境条件下的最大功率跟踪,并具备较快的响应速度和稳定的寻优效果。

计及可再生能源不确定性的储能系统优化配置方法研究

为减少配电网的功率损耗,提升系统的可靠性和灵活性,提出了计及可再生能源不确定性的的储能系统多目标优化配置方法。首先,通过概率密度函数对光伏、风电等可再生能源的不确定性进行了分析,并基于可再生能源的不确定性构建储能系统优化配置模型;其次,提出改进海鸥优化算法求解优化配置模型,通过引入Logistic映射模型、非线性移动系数和局部收敛挖掘算子以克服传统算法中早熟收敛和局部最优问题;最后,在IEEE 14节点系统中进行案例分析。案例分析结果验证了所提模型的可行性和所提算法的有效性,配电网运行的可靠性和灵活性得到了有效的提高。

基于双向长短期记忆网络的公交到站时间预测模型

为实现准确预测公交到站时间,提高城市公交出行分担率,本文提出一种基于双向长短期记忆神经网络(BiLSTM)并考虑超参数寻优的公交到站时间预测模型。通过引入非线性收敛因子、正弦余弦算子及自适应参数改进海鸥算法对双向LSTM模型实现超参数寻优,并增加Attention机制以提高双向LSTM处理信息能力,构建改进海鸥算法优化增加Attention机制的双向LSTM(ISOA-BiLSTM-Attention)预测模型。使用中国江西省南昌市220路公交GPS数据分方向和分时段预测车辆到站时间,验证模型预测精度。结果表明:整体上来说,Attention机制优化后的双向LSTM模型比单独采用双向LSTM模型预测精度更好;改进的海鸥算法可对双向LSTMAttention模型实现较好的优化效果,相较于现有模型及标准海鸥算法(SOA)优化双向LSTMAttention模型,ISOA-BiLSTM-Attention对于不同方向及不同时段公交到站时间预测的平均绝对百分比误差、均方根误差及平均绝对误差至少分别降低5.96%、9.87%及7.99%;同时,ISOABiLSTM-Attention具有最大的模型决定系数R2值,体现了该预测模型泛化能力及稳定性较好,可针对公交到站时间进行较为准确地拟合。

工业大气环境下架空管道腐蚀增重预测

架空管道受大气环境影响会发生腐蚀增重现象。为提高工业大气环境下管道的腐蚀增重预测精度,提出了一种基于改进海鸥优化算法的区间灰数预测模型(MSSOA-INGM(1,1,δ))。首先通过Kent映射和Levy飞行策略优化海鸥优化算法(Seagull Optimization Algorithm,SOA)的种群,避免SOA过早收敛,并改进收敛因子B以提高全局搜索能力;然后建立区间灰数NGM(1,1)模型,根据反余割函数变换、平均弱化缓冲算子和自适应初始条件优化对模型进行改进,并利用多策略下的海鸥优化算法(Multi-Strategy Seagull Optimization Algorithm,MSSOA)对改进后的INGM(1,1,δ)模型中的时间参数δ进行寻优;最后以某架空管道腐蚀数据为基础进行仿真试验。优化后新模型的预测结果与实际值高度吻合,表明该模型的预测精度得到较大提高,在架空管道腐蚀增重预测方面具有较好的鲁棒性。

基于ISOA-RBPNN的埋地管道剩余强度预测

为提高腐蚀管道剩余强度的预测精度,提出引入弹性梯度下降法改进BP神经网络,并融合改进海鸥优化算法(ISOA),构建腐蚀管道剩余强度预测模型。关于改进BP神经网络模型的参数寻优,首先采用Cat混沌映射初始化改进海鸥优化算法(SOA)初始种群的分布,提升寻优能力,优化SOA的搜索方向和攻击形式,增强其全局搜索能力并提高收敛速度,然后用ISOA对弹性BP神经网络(RBPNN)模型中的权值和阈值进行寻优,最后构建ISOA-RBPNN预测模型。以管道爆破数据为例,利用MATLAB进行仿真模拟,并与PSO-BPNN模型和IFA-BPNN模型预测结果进行对比分析。研究结果表明:ISOA-RBPNN模型的各项评价指标均优于其他2个模型,预测结果较实际值误差更小,在预测腐蚀管道剩余强度领域具有更好的性能,可为后续研究腐蚀管道剩余寿命和制定维修策略提供参考依据。